（长安大学，陕西 西安 710000）

0 引 言

神经成像技术已成为大脑结构和功能研究的重要工具，这一技术也被应用于研究精神分裂症患者（SZ）的脑结构和功能。遗传因素在精神分裂症患者的大脑发育中具有重要作用。结合神经影像学和遗传学研究技术，可以探索和评价与脑相关基因多态性对脑功能的影响，了解这些基因对精神分裂症行为的影响。

近年来，精神分裂症的组学研究也在不断发展，包括基因组学、表观基因组学、转录组学、蛋白质组学和代谢组学。然而，精神分裂症的病因是由多种因素引起的，且多种因素之间相互作用[1-2]。单一组学研究只能对造成紊乱的因素提供部分解释，而多组学数据的整合适合多种因素的研究。事实上，已有相当多的研究致力于通过多组数据集成来研究各种疾病。之前的工作主要集中在一种成像模式上（如静止状态或任务fMRI）。在神经影像学研究中，通常从相同的实验对象中获取多模态影像以提供补充信息。最近，人们在多任务学习框架中引入了多种模式以预测大脑认知分数，并对SZ和阿尔茨海默病（AD）的诊断进行分类[3-5]。

受文献[6]方法的启发，本文使用随机森林策略计算模型中样本之间的相似度，通过联合学习少量的共同特征，吸收来自多种模式的互补信息；采用新的流形正则化器来保存模内和模间数据的结构信息。从机器学习的角度看，正则化项可以提取更多的判别特征，从而提高后续预测的性能。……